2.2 Ottimizzazione mediante la distanza di prelievo
La distanza e il percorso per il prelievo dei prodotti hanno un impatto elevato sui costi totali di prelievo, quindi Muppani e Adil hanno proposto un algoritmo di ricottura simulata per risolvere un modello di pianificazione per la formazione delle classi e l’allocazione di stoccaggio considerando tutte le possibili allocazioni di prodotti, spazio e costi di prelievo (Muppani (Muppant) e Adil, 2008).
Il modello testato su set di dati generati casualmente riporta risultati migliori rispetto all’algoritmo di programmazione dinamica per la formazione delle classi. Leon et al. proporre un quadro semi-euristico ad eventi discreti, integrando la sequenza degli ordini e il percorso di prelievo nella costruzione della soluzione (Leon et al., 2023).
Le semi-euristiche appartengono alla famiglia dei metodi di ottimizzazione della simulazione e consentono diversi livelli di “intensità” nell’interazione tra componenti di simulazione e ottimizzazione. Questo tipo di connessione consente una comunicazione sincrona e flessibile tra due software, in questo caso Python e FlexSim. Il modello considera l’incertezza stocastica associata all’immissione degli ordini dei clienti e alle operazioni di prelievo.
La metrica da ottimizzare è la distanza totale percorsa dai magazzinieri nei loro percorsi di prelievo. Il processo semi-euristico inizia risolvendo la versione deterministica del problema utilizzando un metodo meta-euristico programmato in Python. Gli input del problema sono la disposizione del magazzino, l’assortimento di prodotti che può contenere e gli ordini da ritirare.
La metaeuristica produrrà soluzioni candidate che verranno inviate a FlexSim. Il modello di simulazione è impostato come il modello deterministico, nel senso che entrambi utilizzano gli stessi parametri di input. FlexSim simula ogni potenziale assegnazione di posizione di stoccaggio e valuta oggettivamente la funzione obiettivo (distanza totale percorsa). Questa simulazione viene ripetuta più volte, producendo risultati diversi a causa della sua natura stocastica.
Viene quindi calcolata la media di questi risultati e confrontati per generare un elenco di soluzioni candidate. Vengono mantenute le posizioni di archiviazione con le migliori prestazioni sia nella versione deterministica che stocastica. Keung et al. (Keung et al., 2021) confrontano nove algoritmi di clustering (tra cui K-Means, Gaussian Mixture Model (GMM), Bayesian Gaussian Mixture Model (BGMM), Mean Shift, Birch (BH), Agglomerative Clustering (AC), Density-based Clustering spaziale di applicazioni con rumore (DB), Spectral Clustering (SC) e Affinity Propagation (AP)) per risolvere il problema dell’allocazione del prodotto, le cui configurazioni sono state ottenute utilizzando Anaconda Jupyter Notebook, versione Python 3.7. Dopo aver definito la mappa del percorso di un sistema robotico mobile, l’obiettivo è ridurre al minimo il costo totale del viaggio nelle diverse zone.
Il modello funziona bene con sei algoritmi di classificazione supervisionati che producono un tasso di precisione medio del 95% e le aspettative dei clienti possono essere soddisfatte nell’economia dell’e-commerce orientata al cliente.